一种人脸识别素质教育智慧评价系统技术方案

本发明专利技术公开了一种人脸识别素质教育智慧评价方法，其特征在于，包括：对人脸检测，并对人脸特征点定位；对人脸图像预处理，生成人脸标准图；将人脸标准图生成基于深度学习的人脸识别模型，计算获得基于人脸识别模型的人脸特征向量与数据库中已有的人脸库向量之间的余弦相似度；基于余弦相似度的结果判定人脸识别结果；若人脸识别成功，则进入综合评价系统进行综合评价，并生成综合评价手册。本发明专利技术的人脸识别素质教育智慧评价方法，将人脸识别技术应用于素质教育智慧评价方法中，并且提出了能够有效地消除光照和眼镜遮挡物的方法，还提出了与照明变化无关、不受姿态变化的人脸识别方法。

【技术实现步骤摘要】
一种人脸识别素质教育智慧评价系统
本专利技术涉及人脸识别应用
，特别是涉及一种人脸识别素质教育智慧评价系统。
技术介绍
人脸识别技术在过去几年中迅速发展，目前，人脸识别技术在室外环境等实际生活环境中不能很好应对，通常只在室内使用。人脸识别的难点依旧是照明变化、姿势变化、年龄变化、遮挡等，这些对人脸识别系统所采用的人脸识别算法产生影响。目前，市面上主要采用haar特征进行人脸检测，具有光照影响较大、检测速度慢、人脸对齐速度慢的问题。采用PCA人脸识别，当图像维度很大时，识别速度非常缓慢，解决途径是对图像进行降维，但是降维会导致丢失大量细节，同时受光照影响较大，但光照条件不同时，比对结果将大打折扣。基于深度学习的人脸识别方法，深度神经网络不采取人工提取方式，这就节约了人工提取所耗费的大量时间，以最快速度完成了人脸面部的智能识别过程。深度神经网络同传统的网络有巨大差距：第一点，其是模块式的层叠结构；第二点，当调整神经网络权值时，权值就会自动接近最优点。因此，不需要经过前期的训练以及监督，最终获取一个完美的数据。绝大多数的研究显示，采取人工神经方法的人脸识别系统，不论是在顽健性、容错性还是识别准确性方面都具有较强的优势。在实际生活环境中，人脸图像由照明、姿势、年龄、遮挡等变化造成人脸识别难度。因此，在实际生活环境中，人脸识别技术不能圆满，最近几年中，在此领域进行了很多研究，有了很大的进展，但是仍然达不到满意的效果。另外，随着素质教育的推进，对学生的管理越来越需要一些智慧评价系统，而目前还没有出现利用人脸识别技术进行识别评价的人脸识别素质教育智慧评价系统。专利
技术实现思路
基于此，本专利技术的目的在于，提供一种人脸识别素质教育智慧评价系统。一种人脸识别素质教育智慧评价方法，包括：对人脸检测，并对人脸特征点定位；对人脸图像预处理，生成人脸标准图；将人脸标准图生成基于深度学习的人脸识别模型，计算获得基于人脸识别模型的人脸特征向量与数据库中已有的人脸库向量之间的余弦相似度；基于余弦相似度的结果判定人脸识别结果；若人脸识别成功，则进入综合评价系统进行综合评价，并生成综合评价手册。进一步优选地，所述对人脸检测，并对人脸特征点定位，包括：基于LBP特征和AdaBoost进行人脸检测，并基于点分布模型算法对68个人脸特征点进行定位；所述基于LBP特征和AdaBoost进行人脸检测，包括将彩色图转换成灰度图，在任意邻域内，以邻域中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若邻域像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；邻域内的8个像素经比较产生8位二进制数，将所述8位二进制数转换为十进制数，计算得到该邻域中心像素的LBP值。进一步优选地，所述计算得到该邻域中心像素的LBP值，包括：设(xc,yc)为中心像素的坐标，p为邻域的第p个像素，ip为邻域像素的灰度值，ic为中心像素的灰度值，LBP(xc,yc)为中心像素的LBP值；x为邻域像素值-中心像素值的差值，s(x)为符号函数；则进一步，计算该邻域中心像素的LBP值，进一步优选地，所述基于LBP特征和AdaBoost进行人脸检测，还包括：将所述LBP(xc,yc)送入AdaBoost分类器，并进行分类。进一步优选地，所述AdaBoost分类器包括多个级联分类器；所述将所述LBP(xc,yc)送入AdaBoost分类器，并进行分类，包括：所述AdaBoost分类器采用多尺度滑窗检测，每个尺度截取大小为20*20的窗口，将窗口放到多个所述级联分类器中判断是不是人脸，若是人脸，则该窗口通过所有所述级联分类器，若不是人脸，则该窗口在某一所述级联分类器被排除。进一步优选地，所述对人脸图像预处理包括：采用人脸地面坐标系构建人脸3D标准模型，估算人脸姿态，进行人脸图像校正、裁切与对齐，对人脸图像进行光照预处理，消除光照对人脸的影响。进一步优选地，所述对人脸图像预处理还包括：对人脸图像进行眼镜检测，摘除眼镜图像，得到去噪图像。进一步优选地，所述对人脸图像进行眼镜检测，摘除眼镜图像，得到去噪图像，包括：若检测到包括眼镜图像，采用最大类间方差法进行二值化处理，得到二值图像，采用开运算消除部分未连接的较小图像边缘，然后利用连通域的方法去除孤立的边缘点，去除重心处于图像高度1/2以下的边缘，采用2次迭代闭运算的方法连接剩余边缘，然后横向扫描图像，将边缘断裂长度低于1/6图像宽度的边缘进行连接，形成眼镜边框掩膜图像，完成眼镜边框定位，最后根据掩膜图像与眼镜周边肤色，使用线性插值方式对边框进行修复，得到去噪图像。进一步优选地，所述将人脸标准图生成基于深度学习的人脸识别模型，计算获得基于人脸识别模型的特征向量与数据库中已有的人脸库向量之间的余弦相似度，包括：通过深度学习训练人脸识别模型，基于人脸识别模型对人脸标准图提取人脸特征，对抽取的人脸特征向量进行PCA降维，计算出人脸特征向量代表的人脸特征点之间的距离。进一步优选地，所述综合评价系统包括周评价单元、月评价单元、学期评价单元，以及综合评分结果单元、发展建议单元、个人积分单元、评比单元；所述综合评价包括学业成绩评价、思想品德评价、身心素质评价、情感状态评价、校园表现评价。相对于现有技术，本专利技术的人脸识别素质教育智慧评价方法，将人脸识别技术应用于素质教育智慧评价方法中，并且提出了能够有效地消除光照和眼镜遮挡物的方法，还提出了与照明变化无关、不受姿态变化的人脸识别方法。为了更好地理解和实施，下面结合附图详细说明本专利技术。附图说明图1是本专利技术的人脸识别素质教育智慧评价方法的流程框图。图2是多尺度滑窗检测的示意图。图3是滑窗扫描示意图。图4是人脸特征点的搜索示意图。具体实施方式以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。请参阅图1，图1是本专利技术的人脸识别素质教育智慧评价方法的流程框图。本专利技术的人脸识别素质教育智慧评价方法，包括以下步骤。在步骤101中，对人脸检测，并对人脸特征点定位。在步骤102中，对人脸图像预处理，生成人脸标准图。在步骤103中，将人脸标准图生成基于深度学习的人脸识别模型，计算获得基于人脸识别模型的人脸特征向量与数据库中已有的人脸库向量之间的余弦相似度。在步骤104中，基于余弦相似度的结果判定人脸识别结果。在步骤105中，若人脸识别成功，则进入综合评价系统进行综合评价，并生成综合评价手册。在本实施例中，在步骤101中，所述对人脸检测，并对人脸特征点定位，包括：基于LBP特征和AdaBoost进行人脸检测，并基于点分布模型算法对68个人脸特征点进行定位，这68个人脸特征点包括眼睛、鼻子、嘴巴、眉毛和下巴等。所述基于LBP特征和AdaBoost进行人脸检测，包括将彩色图转换成灰度图，在任意邻域内，以邻域中心像素为阈值，将相邻的本文档来自技高网...

【技术保护点】
1.一种人脸识别素质教育智慧评价方法，其特征在于，包括：对人脸检测，并对人脸特征点定位；对人脸图像预处理，生成人脸标准图；将人脸标准图生成基于深度学习的人脸识别模型，计算获得基于人脸识别模型的人脸特征向量与数据库中已有的人脸库向量之间的余弦相似度；基于余弦相似度的结果判定人脸识别结果；若人脸识别成功，则进入综合评价系统进行综合评价，并生成综合评价手册。

【技术特征摘要】
1.一种人脸识别素质教育智慧评价方法，其特征在于，包括：对人脸检测，并对人脸特征点定位；对人脸图像预处理，生成人脸标准图；将人脸标准图生成基于深度学习的人脸识别模型，计算获得基于人脸识别模型的人脸特征向量与数据库中已有的人脸库向量之间的余弦相似度；基于余弦相似度的结果判定人脸识别结果；若人脸识别成功，则进入综合评价系统进行综合评价，并生成综合评价手册。2.根据权利要求1所述的人脸识别素质教育智慧评价系统，其特征在于，所述对人脸检测，并对人脸特征点定位，包括：基于LBP特征和AdaBoost进行人脸检测，并基于点分布模型算法对68个人脸特征点进行定位；所述基于LBP特征和AdaBoost进行人脸检测，包括将彩色图转换成灰度图，在任意邻域内，以邻域中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若邻域像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；邻域内的8个像素经比较产生8位二进制数，将所述8位二进制数转换为十进制数，计算得到该邻域中心像素的LBP值。3.根据权利要求2所述的人脸识别素质教育智慧评价系统，其特征在于，所述计算得到该邻域中心像素的LBP值，包括：设(xc,yc)为中心像素的坐标，p为邻域的第p个像素，ip为邻域像素的灰度值，ic为中心像素的灰度值，LBP(xc,yc)为中心像素的LBP值；x为邻域像素值-中心像素值的差值，s(x)为符号函数；则进一步，计算该邻域中心像素的LBP值，4.根据权利要求3所述的人脸识别素质教育智慧评价系统，其特征在于，所述基于LBP特征和AdaBoost进行人脸检测，还包括：将所述LBP(xc,yc)送入AdaBoost分类器，并进行分类。5.根据权利要求4所述的人脸识别素质教育智慧评价系统，其特征在于，所述AdaBoost分类器包括多个级联分类器；所述将所述LBP(xc,yc)送入AdaBoost分类器，并进行分类，包括：所述AdaBoost分类器采用多尺度滑窗检测，每个尺度截取大小为20*20...

【专利技术属性】
技术研发人员：严炳欢，冯健雄，
申请(专利权)人：广东同心教育科技有限公司，
类型：发明
国别省市：广东,44